Yaohong Yang, Gauri Pradhan, Qi Chen, Samuel Kaski, Antti Honkela · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31549 · open-access PDF
프라이버시 감사는 프라이버시 유출을 임상적으로 평가하여 멤버십 추론 공격을 사용하여 프라이버시 손실에 대한 낮은 한계를 설정합니다.우리는 검사자가 캐나리오를 삽입하거나 데이터 포함을 제어하거나 대상 모델을 재훈련할 수 없거나 알려진 멤버 및 비 멤버의 고정 세트에 의존해야 하는 관찰 검사 설정을 고려합니다.이 설정은 대규모 배포 모델이나 재훈련이 컴퓨팅 또는 액세스 제한에 의해 제한될 때 관련이 있습니다.이 경우, 감사를 위해 사용할 수 있는 비 멤버는 교육 데이터의 배포에 차이가 있을 수 있으며, 멤버십의 추론이 발생할 수 있습니다.
Machine translation (Meta M2M100); the English original follows.
Privacy auditing empirically assesses privacy leakage by using membership inference attacks to establish lower bounds on privacy loss. We consider an observational auditing setting in which the auditor cannot insert canaries, control data inclusion, or retrain the target model, and must instead rely on fixed sets of known members and non-members. This setting is relevant for large deployed models or when retraining is restricted by computational or access constraints. In this case, non-members available for auditing may differ in distribution from the training data, causing membership-inferenc
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31549, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange